Вопрос: Подскажите, каким образом можно прогнозировать спрос на определенные категории товаров в сети магазинов (на какие категории товаров в будущем будет наибольший (наименьший) спрос) на основе истории покупок. Хотелось бы узнать, какой подход лучше работает...
- Сегментация потребителей по кластерам, каждый из которых предпочитает определенную категорию (несколько категорий), и далее строить прогноз для каждого кластера, или же:
- Сегментация всего ассортимента по группам и составление прогноза для каждой. Буду благодарна за любую информацию.
Анна, Калининград
Ответ:
Здравствуйте, Анна!
Универсального ответа на поставленный вопрос не существует в принципе. Но можно предложить следующую схему рассуждения.
Существует два подхода к количественному прогнозированию: прогнозирование на основе факторов (регрессионный анализ) и прогнозирование на основе временного ряда (экспоненциальное сглаживание, ARIMA , модели трендов и.т.п.). Если мы прогнозируем на основе факторов то априорно выбрать вариант сегментации, который обеспечит лучшую точность прогнозов невозможно. Если мы прогнозируем без факторов, тогда дальнейшее рассуждение имеет смысл.
Давайте попытаемся понять, от чего зависит точность прогноза временного ряда? Она зависит, прежде всего, от вариации ряда относительно своего тренда. Поэтому рассмотрим Вашу проблему под другим углом. Какой вариант кластеризации обеспечивает минимальную вариацию рядов, полученных по каждому кластеру? Априорно на этот вопрос ответить нельзя, поскольку вмешивается большое число побочных факторов - формат торговой сети, ассортимент, позиционирование на рынке, территориальное расположение и т.д. Можно делать только догадки. Например, если торговля ведется в высоком ценовом сегменте, то однозначно лучше сегментировать по товарным группам.
Поэтому я бы посоветовал попробовать следующий подход.
- Разбейте Ваши исторические данные на сегменты двумя указанными в вопросе способами.
- По каждому кластеру сформируйте суммарный ряд исторических значений спроса.
- С помощью метода сезонной декомпозиции (метод, реализованный в пакетах SPSS, STATISTICA, Forecast и др.), разбейте полученные ряды на три компонента – сезонность, тренд, и необъясненная ошибка. Необъясненная ошибка будет отражать вариацию ряда вокруг тренда. По сути именно необъясненная ошибка формирует в будущем ошибку прогноза.
- Дальнейшая работа ведется только с необъясненной ошибкой. Посчитайте дисперсию по каждому ряду необъясненных ошибок. Сложите полученные дисперсии по каждому кластеру отдельно. У Вас получится два числа.
- Сравните дисперсии необъясненных ошибок двух кластеров.
Если дисперсии будут существенно отличаться, то кластер с наименьшим значением дисперсии будет указывать на лучший способ кластеризации. Что значит существенно? Для ответа на этот вопрос конечно лучше использовать особый статистический критерий Фишера (F-критерий). Однако можно и "по-гусарски" – если дисперсии будут отличаться более чем на 15%, считайте, что это существенные отличия.
Минимальная суммарная дисперсия по кластеру указывает на потенциал данного способа сегментации. Чем меньше дисперсия, тем меньшую ошибку прогноза мы будем ожидать.
Если же дисперсии не будут существенно отличаться, то можно пользоваться любым способом сегментации.
Конечно это трудоемкий подход, но если его проделать один раз, то этого будет достаточно для принятия общей политики сегментации исходных данных. Отметим, что данный подход, по сути, учитывает индивидуальные особенности Вашей торговой сети. Полученные выводы будут обладать длительной устойчивостью, а значит нет никакой необходимости повторять подобное исследования из года в год.
Надо отметить, что предлагаемое решение имеет основным критерием правильности сегментации точность получаемых прогнозов. Однако на окончательный выбор способа сегментации могут влиять и другие критерии.
Артем Михайлович Егоров,
руководитель учебной частью Центра Статистических Технологий
Опубликовано в журнале "Маркетинг Менеджмент" №9-10 2009 г.